精确率-召回率曲线是一种用于分类任务的图形表示，通过在不同决策阈值下，以纵轴绘制精确率（阳性预测值）、横轴绘制召回率（灵敏度）来评估模型性能。曲线上的每个点对应一个特定的阈值设置，展示随着阈值调整，精确率和召回率如何变化。该曲线特别适用于类别不平衡的数据集，其中某一类较为稀少，因为它关注正类性能而非真阴性。
精确率定义为检索到的实例中相关实例的比例，即真正例数除以真正例数与假正例数之和。召回率定义为被检索到的相关实例的比例，即真正例数除以真正例数与假负例数之和。在分类任务中，完美分类器的精确率和召回率都应等于1.0，其曲线将经过右上角。然而，在实践中，两者往往呈反比关系：提高召回率通常会降低精确率，反之亦然。精确率-召回率曲线通常从低召回率时的高精确率向下倾斜至高召回率时的较低精确率，但具体形状取决于模型和数据。
与第一类和第二类错误的关系
精确率和召回率与假设检验概念密切相关。召回率是第二类错误率（假阴性率）的补数，意味着高召回率对应较少的漏检正例。精确率与第一类错误率（假阳性率）相关，但也依赖于正类和负类实例的先验分布。例如，在一个包含十只猫和十二只狗的数据集中，一个狗识别程序识别出八只狗，其中五只是真正的狗，则其精确率为5/8，召回率为5/12。第一类错误率为3/10（十只猫中有三只假阳性），第二类错误率为7/12（十二只狗中有七只假阴性）。精确率可视为质量的度量（选出的项目中有多少是相关的），而召回率是数量的度量（有多少相关项目被选出）。
权衡与实际示例
精确率和召回率之间的权衡通常取决于具体情境。例如，烟雾探测器设计时优先考虑召回率，因为错过火灾（假阴性）的代价是灾难性的，即使这意味着许多误报（低精确率）。相反，刑事司法系统遵循布莱克斯通比例，，“宁可让十个罪犯逃脱，也不让一个无辜者受冤”，，优先考虑精确率，接受较低的召回率以避免误判无辜者。脑外科医生切除肿瘤时面临类似困境：切除较大区域会增加召回率（确保所有癌细胞被移除），但降低精确率（切除健康组织），而保守方法则提高精确率，但可能留下癌细胞。
构建与解释
要构建精确率-召回率曲线，模型为每个实例输出一个分数或概率。通过改变将实例分类为正类的阈值，可以获得不同的精确率和召回率对。将这些对绘制成曲线。精确率-召回率曲线下面积（PR-AUC）是曲线的一个单值摘要，数值越高表示整体性能越好。随机分类器通常产生一条水平线，位于数据集中正类实例的比例处，因此有用模型的PR-AUC应高于此基线。当正类稀少时，该曲线尤其具有信息量，因为仅使用混淆矩阵可能具有误导性。
在机器学习中的应用
精确率-召回率曲线广泛用于机器学习和人工智能中评估二分类器，特别是在信息检索、医学诊断和欺诈检测等领域。它们常与接收者操作特征（ROC）曲线进行比较，后者绘制真正例率对假正例率。与ROC曲线不同，精确率-召回率曲线不包含真阴性，因此对正类性能更为敏感。许多神经网络和深度学习框架提供内置函数来计算和绘制精确率-召回率曲线，便于模型选择和阈值调整。例如，在自然语言处理任务中，如文档分类，精确率-召回率曲线有助于平衡相关文档的检索与不相关文档的包含。
局限性与注意事项
精确率-召回率曲线存在局限性。它们对类别不平衡敏感，在平衡数据集上具有高精确率和召回率的模型可能在不平衡数据集上表现不佳。此外，该曲线不传达实例的绝对数量，因此跨不同数据集比较曲线可能具有误导性。通过检索每个实例可以实现完美召回率，但此类模型的精确率会很低。相反，通过仅选择最自信的实例可以实现完美精确率，但召回率会很低。因此，精确率和召回率很少孤立讨论；相反，曲线提供了权衡的全面视图，使从业者能够选择与应用优先级一致的阈值。